An Efficient Two-Dimensional Functional Mixed-Effect Model Framework for Repeatedly Measured Functional Data¶

讲者: Xinyue Li
会场: Recent Advances in Biomedical Data Science
报告题目: An Efficient Two-Dimensional Functional Mixed-Effect Model Framework for Wearable Device Data Analysis in Large Population Studies
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是重复测量功能数据（repeatedly measured functional data）的统计建模与推断。其根本的科学问题是：当每个受试者在多个时间点（如连续多天）都记录了一条完整的功能曲线（如一天内每分钟的体力活动强度）时，如何估计协变量（如性别、心理健康评分）对这条“曲线族”的二维效应（既随一天内的时间变化，也随一周内的天数变化），并刻画其复杂的四维相关结构（不同天、不同时刻之间的相关性）。当前成熟度：方法众多，但大多针对稀疏、不规则采样的纵向功能数据，或计算成本高昂，难以直接应用于大规模、密集采样的可穿戴设备数据。

发展脉络（history）¶

奠基工作：功能混合效应模型（FMEM）的提出
- Morris & Carroll (2006) 和 Morris et al. (2006) 提出了基于小波的FMEM，为分析功能响应数据（如加速度计曲线）提供了统一框架，但计算依赖贝叶斯MCMC，难以扩展。
- Guo (2002) 和 Yuan et al. (2014) 则发展了基于样条的FMEM，但同样面临计算瓶颈。
主要进展：纵向功能数据（Longitudinal Functional Data）的专门化建模
- Greven et al. (2010) 提出了纵向功能主成分分析（LFPCA），将纵向设计中的变异分解为静态和动态的受试者间变异，是功能数据与纵向数据结合的重要一步。本文引用语境：“While longitudinal functional data analysis mainly focuses on sparse and irregular longitudinal-based design (Greven et al. 2010, Li et al. 2022)”。
- Chen & Müller (2012) 和 Chen et al. (2017) 开始专门研究“重复测量功能数据”（repeatedly measured functional data），强调其与稀疏纵向数据的区别，并提出了基于边际协方差分解的建模思路。本文引用语境：“repeatedly measured functional data are often densely sampled and measured over regular longitudinal visits. Hence, the analysis of repeatedly measured functional data is of independent interest (Chen & Müller 2012, Chen et al. 2017)”。
- Park & Staicu (2015) 提出了一个简洁的纵向功能数据分析框架，通过边际分解提取低维特征，是本文在协方差建模上的重要参考。本文引用语境：“The four-dimensional covariance function C(s,t;u,v) removes the constraint of the linear framework in FMEM and allows a more flexible representation.”
当前Frontier：计算效率与推断的平衡
- Cui et al. (2021) 提出了快速单变量推断（FUI）方法，通过逐点拟合混合效应模型再平滑，极大提升了计算速度，但假设了功能域上的独立性。本文引用语境：“FUI and FILF are designed for simpler computation [6, 8, 39]”。
- Li et al. (2022) 提出了纵向功能数据的固定效应推断（FILF），考虑了访问间的相关性，但计算仍较复杂。本文引用语境：“FUI and FILF are designed for simpler computation [6, 8, 39]”。
- Xiao et al. (2013) 提出的“三明治平滑器”（sandwich smoother）为快速双变量平滑提供了高效工具，是本文后平滑步骤的核心。本文引用语境：“Here we illustrate the use of sandwich smoother due to its computational efficiency with nice asymptotic properties.”
本文的位置：本文提出一个二维功能混合效应模型（2dFMM），专门针对密集、规则采样的重复测量功能数据。其核心贡献在于：①将固定效应从一维曲线扩展为二维曲面，以捕捉日内和日间的联合变化；②采用非参数的四维协方差结构，避免了传统FMEM中线性随机效应假设的误设风险；③开发了一个快速的三阶段估计流程（逐点估计→双变量平滑→协方差分解），在保证推断准确性的同时，显著提升了计算效率，使其能应用于大规模人群研究。

子线索聚类¶

被引文献大致落在以下三条子线索上：

线索一：基于样条/惩罚的方法（Spline/Penalty-based）：这类方法通过样条基函数展开和惩罚项来估计系数函数和协方差函数。代表工作包括 Xiao et al. (2013) 的sandwich smoother、Wood (2003, 2006) 的thin plate和tensor product smooths、Ivanescu (2018) 的2dGAM。优势是理论成熟、有现成软件；劣势是计算复杂度随网格数增长快，且对四维协方差的建模能力有限。
线索二：基于功能主成分分析（FPCA）的方法：这类方法通过FPCA对随机效应进行降维，以刻画复杂相关结构。代表工作包括 Greven et al. (2010) 的LFPCA、Park & Staicu (2015) 的纵向功能数据分析框架、Cui et al. (2023) 的快速多水平FPCA。优势是能灵活建模协方差；劣势是计算成本高，尤其当功能网格数很大时。
线索三：基于贝叶斯的方法：这类方法通过MCMC或变分贝叶斯进行全概率推断。代表工作包括 Morris & Carroll (2006) 的小波FMEM、Goldsmith & Kitago (2016) 的分层函数回归。优势是能提供完整的不确定性量化；劣势是计算极其昂贵，难以扩展到大规模数据。

这个方向在追问的核心问题¶

如何高效估计二维固定效应？ 当效应同时沿纵向（如天）和功能（如一天内的时间）两个方向变化时，如何设计估计程序，使其既能捕捉二维变化，又不会因维数灾难而计算爆炸？
如何建模和估计四维协方差结构？ 重复测量功能数据的内在相关结构是四维的（两个时间点的纵向×两个时间点的功能）。如何在不做强假设（如可分离性）的前提下，对其进行有效估计和推断？
如何在大规模数据中实现快速推断？ 面对数万受试者、数千时间点的数据，现有方法（如FUI、FILF）的计算时间可能达到数小时甚至数天。如何设计算法使其在几分钟内完成？
如何构建有效的同时置信带（SCB）？ 由于功能数据的相关性，逐点置信带（PCB）会低估整体变异。如何构建计算可行且覆盖准确的SCB？

⚠️ 作者的framing（必须明确标注成“这是作者的说法”）¶

作者把缺口frame成什么：作者将现有方法的不足归结为三点：①“The variations of effect along both longitudinal and functional directions underscore the need for evaluation from two-dimensional rather than one-dimensional effects”；②“Enhancing the correlation structure is crucial for improving model flexibility and universality... a nonparametric four-dimensional covariance function... is a potential alternative”；③“There is a growing need to boost the computational efficiency of existing methods to apply to population studies.” 因此，本文的2dFMM被定位为“显然的下一步”：它同时解决了这三个问题。
哪些竞争路线被他淡化或回避了：作者淡化了基于贝叶斯的方法（如Morris & Carroll 2006），仅在引言中提及，未在模拟中作为对比方法。作者也回避了强可分离性假设下的简化模型（如Aston et al. 2017），虽然引用了该文，但强调自己的弱可分离性假设更灵活。
什么明显该被引/该存在、却没出现在intro里？：作者引用了大量关于“纵向功能数据”的文献，但似乎没有引用关于功能数据中“弱可分离性”检验的近期工作（如Lynch & Chen 2018，Liang et al. 2021），尽管本文的协方差分解正是基于弱可分离性假设。这是一个值得研究者去查的问题：这些检验方法是否可以直接应用于2dFMM的模型诊断？

张力¶

未见明显对立引用。被引工作之间主要是不同假设（稀疏vs密集、线性vs非参数协方差）和不同计算策略下的互补关系，而非矛盾关系。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( i = 1, \dots, N \)：受试者索引。
- \( s \in \mathcal{S} \)：纵向时间（如一周中的第几天），是离散或连续的。
- \( t \in \mathcal{T} \)：功能时间（如一天中的第几分钟），是连续的。
- \( Y_i(s, t) \)：第 \( i \) 个受试者在纵向时间 \( s \)、功能时间 \( t \) 的可观测响应（如体力活动计数）。
- \( X_i = (1, x_{i,1}(s,t), \dots, x_{i,P}(s,t))^T \)：\( P \) 维协变量向量，可以是时不变或时变的（本文假设为“concurrent model”，即协变量在 \( (s,t) \) 处取值）。
- \( \beta_p(s, t) \)：第 \( p \) 个协变量对应的二维系数函数（固定效应），是要估计的未知参数。
- \( \mu(s, t, X_i) = X_i^T \beta(s, t) \)：条件均值函数。
- \( \eta_i(s, t) \)：第 \( i \) 个受试者的双变量随机过程（随机效应），均值为0，协方差函数为 \( C(s,t; u,v) \)。这是不可观测的潜在量。
- \( \epsilon_i(s, t) \)：测量误差，均值为0，方差为 \( \sigma^2(s,t) \)。不可观测。
- \( C(s,t; u,v) = \text{Cov}(\eta_i(s,t), \eta_i(u,v)) \)：四维协方差函数，是要估计的未知参数。
- \( \psi_j(s) \)：边际协方差函数 \( C_W(s,u) \) 的第 \( j \) 个特征函数（关于 \( s \) 方向）。
- \( \xi_{i,j}(t) \)：第 \( i \) 个受试者在第 \( j \) 个特征方向上的随机得分函数（关于 \( t \) 方向）。
- \( \Theta_j(t, v) = \text{Cov}(\xi_{i,j}(t), \xi_{i,j}(v)) \)：第 \( j \) 个得分函数的协方差函数。
- \( R \)：纵向网格数（如一周7天，但文中模拟用10-20）。
- \( L \)：功能网格数（如一天1440分钟）。
- \( s_r, t_l \)：离散的采样点。
模型：
- 数据生成机制：\( Y_i(s,t) = \mu(s,t, X_i) + \eta_i(s,t) + \epsilon_i(s,t) \)
- 固定效应部分：\( \mu(s,t, X_i) = \beta_0(s,t) + \sum_{p=1}^P x_{i,p}(s,t) \beta_p(s,t) \)。这是一个标准的线性并发模型（linear concurrent model），但系数是二维曲面。
- 随机效应部分：\( \eta_i(s,t) \) 通过Karhunen-Loève展开表示为 \( \sum_{j=1}^\infty \xi_{i,j}(t) \psi_j(s) \)。这里的关键是弱可分离性假设：四维协方差 \( C(s,t; u,v) \) 可以分解为 \( \sum_{j=1}^\infty \psi_j(s) \psi_j(u) \Theta_j(t, v) \)。这意味着纵向方向（\( s \)）和功能方向（\( t \)）的相关结构不是完全独立的（强可分离），但可以通过一个共同的潜在特征函数 \( \psi_j(s) \) 来连接。
- 测量误差：\( \epsilon_i(s,t) \) 被进一步分解为 \( \epsilon_{i,1}(s,t) + \epsilon_{i,2}(s,t) \)，其中 \( \epsilon_{i,1} \) 描述重复访问间的变异（协方差为 \( \Gamma(s,u) \mathbf{1}_{\{t=v\}} \)），\( \epsilon_{i,2} \) 是白噪声（方差 \( \phi^2 \)）。
可观测数据：
- 研究者能观测到的是：\( \{ Y_i(s_r, t_l), X_i(s_r, t_l) \}_{i=1}^N \)，即在离散网格 \( (s_r, t_l) \) 上的响应和协变量。
- 想要但观测不到的是：随机效应 \( \eta_i(s,t) \)、测量误差 \( \epsilon_i(s,t) \)、以及它们的协方差结构 \( C(s,t; u,v) \) 和 \( E(s,t; u,v) \)。这些只能通过模型假设和观测数据的二阶矩来识别。

第二步：讲最小内核¶

本文的核心思路可以浓缩为一个最简特例：假设只有一个协变量（\( P=1 \)），且该协变量是时不变的标量（如性别，\( x_i \) 不随 \( s,t \) 变化）。那么模型退化为：

\[Y_i(s,t) = \beta_0(s,t) + x_i \beta_1(s,t) + \eta_i(s,t) + \epsilon_i(s,t)\]

在这个特例下，本文要解决的核心问题是：如何从 \( N \) 个受试者的 \( R \times L \) 维观测数据中，高效地估计出二维系数曲面 \( \beta_1(s,t) \)，并给出其不确定性度量？

核心思路（三阶段）：

逐点估计（Pointwise Estimation）：对于每一个固定的网格点 \( (s_r, t_l) \)，忽略所有其他点的相关性，将模型视为一个简单的线性回归：
\[Y_i(s_r, t_l) = \beta_0(s_r, t_l) + x_i \beta_1(s_r, t_l) + e_i(s_r, t_l)\]
其中 \( e_i(s_r, t_l) = \eta_i(s_r, t_l) + \epsilon_i(s_r, t_l) \) 被临时当作独立同分布的误差。用普通最小二乘（OLS）得到初始估计 \( \tilde{\beta}_1(s_r, t_l) \)。这一步计算极快，但估计是“粗糙的”，因为忽略了相邻网格点的信息。
双变量平滑（Bivariate Smoothing）：将第一步得到的 \( R \times L \) 维粗糙估计矩阵 \( \tilde{\beta}_1 \) 视为一个“带噪声的图像”，用一个快速的双变量平滑器（如sandwich smoother）对其进行平滑，得到最终估计 \( \hat{\beta}_1 \)。这一步利用了相邻网格点的信息，提高了估计效率。Sandwich smoother的核心是 \( \hat{\beta}_1 = S_2 \tilde{\beta}_1 S_1 \)，其中 \( S_1, S_2 \) 是分别沿 \( t \) 和 \( s \) 方向的样条平滑矩阵。
协方差估计与推断（Covariance Estimation & Inference）：为了构建置信带，需要估计 \( \hat{\beta}_1 \) 的方差。这需要估计四维协方差 \( C(s,t; u,v) \)。本文的策略是：
- 先计算残差 \( \tilde{Y}_i(s,t) = Y_i(s,t) - \hat{\mu}(s,t, X_i) \)。
- 利用残差估计边际协方差 \( C_W(s, u) = \int_{\mathcal{T}} C(s,t; u, t) dt \)，并通过FPCA得到其特征函数 \( \hat{\psi}_j(s) \)。
- 将残差投影到 \( \hat{\psi}_j(s) \) 上，得到近似的得分函数 \( \tilde{\xi}_{i,j}(t) \)。
- 对每个 \( j \)，用B样条估计 \( \tilde{\xi}_{i,j}(t) \) 的协方差 \( \hat{\Theta}_j(t, v) \)。
- 最终，四维协方差由 \( \hat{C}(s,t; u,v) = \sum_{j=1}^J \hat{\psi}_j(s) \hat{\psi}_j(u) \hat{\Theta}_j(t, v) \) 给出。

这个最小内核揭示了本文的核心数学困难：如何在不直接估计巨大的四维协方差矩阵（大小为 \( RL \times RL \)）的情况下，得到 \( \hat{\beta}_1 \) 的方差？本文的关键想法是利用弱可分离性假设，将四维协方差的估计分解为两个低维问题：一个关于纵向方向 \( s \) 的边际FPCA，和一组关于功能方向 \( t \) 的B样条协方差估计。这极大地降低了计算复杂度。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对可穿戴设备产生的密集、规则采样的重复测量功能数据，提出一个二维功能混合效应模型（2dFMM），以估计协变量对功能响应的二维（日内×日间）效应，并刻画其复杂的四维相关结构。
核心工具/方法：开发了一个快速的三阶段估计程序：①逐点OLS估计；②双变量平滑（sandwich smoother或tensor product smooths）；③基于弱可分离性假设的边际协方差分解（FPCA + B样条）来估计四维协方差，并据此构建点态和同时置信带。
主要结论：①2dFMM在估计精度上优于现有双变量回归方法（2dGAM），且推断更准确（覆盖概率接近名义水平）；②在计算效率上显著优于现有纵向功能数据方法（FUI, FILF），尤其在大规模数据下优势明显；③应用于上海青少年体力活动数据，发现了心理健康与体力活动之间复杂的日内和日间变化模式。

关键设定与假设¶

模型设定：如第二节所述，模型为 \( Y_i(s,t) = X_i(s,t)^T \beta(s,t) + \eta_i(s,t) + \epsilon_i(s,t) \)。
关键假设：
1. 线性并发模型：协变量效应是线性的，且协变量与响应在同一 \( (s,t) \) 点取值。
2. 弱可分离性（Weak Separability）：四维协方差 \( C(s,t; u,v) \) 可以分解为 \( \sum_{j=1}^\infty \psi_j(s) \psi_j(u) \Theta_j(t, v) \)。这是本文的核心假设，它比强可分离性（\( C = C_S \otimes C_T \)）更灵活，允许 \( s \) 和 \( t \) 方向的相关结构通过共同的潜在特征函数耦合。相比已有文献：传统FMEM（如Li et al. 2022）通常假设随机效应为线性形式（如随机截距+随机斜率），这是一种更强的参数化假设。本文的非参数协方差结构避免了这种预设。
3. 密集、规则采样：假设纵向和功能域上的采样点都是密集且规则的（如每周7天，每天1440分钟）。这是方法高效性的前提。对于不规则采样，作者在结论中提及了调整方案（如分箱平均）。
4. 高斯过程：假设 \( Y_i(s,t) \) 是高斯随机过程，这为似然推断和Bootstrap模拟提供了便利。
5. 协变量独立性：在渐近理论中，假设协变量 \( X_i \) 是独立同分布的（条件(e)），且是时不变的（条件(f)）。

主要结果¶

理论结果（Proposition 1 & 2）：
- 渐近偏差（Proposition 1）：\( \text{bias}\{\hat{\beta}_p(s,t)\} = (-1)^{m_R+1} h_R^{2m_R} \frac{\partial^{2m_R}}{\partial s^{2m_R}} \beta_p(s,t) + (-1)^{m_L+1} h_L^{2m_L} \frac{\partial^{2m_L}}{\partial t^{2m_L}} \beta_p(s,t) + o(h_L^{2m_L}) \)。这个偏差结构与sandwich smoother的偏差一致，由沿 \( s \) 和 \( t \) 方向的偏导数项组成，表明平滑步骤引入了可量化的偏差。
- 渐近方差（Proposition 2）：\( \text{var}\{\hat{\beta}_p(s,t)\} = 2 (RL h_R h_L N)^{-1} \omega_p \sigma^2(s,t) \kappa(H_{m_R}) \kappa(H_{m_L}) + o(h_L^{4m_L}) \)。其中 \( \omega_p \) 是 \( \Omega^{-1} \) 的第 \( (p,p) \) 个元素，\( \Omega = E[X_{1,s,t} X_{1,s,t}^T] \)。这个方差公式表明，估计量的方差由三部分贡献组成：①样本量 \( N \) 和网格数 \( RL \) 的倒数；②协变量设计矩阵的精度 \( \omega_p \)；③误差方差 \( \sigma^2(s,t) \) 和平滑核的平方积分 \( \kappa(H) \)。关键点：方差中出现了因子2，这是因为在推导中同时考虑了条件方差和条件期望的方差（见证明）。
- 渐近分布：基于上述偏差和方差，可以得到 \( (RL)^{2m_R m_L / m_T} (\hat{\beta}_p(s,t) - \beta_p(s,t)) \xrightarrow{d} N(\alpha_p(s,t), V_p(s,t)) \)。这为构建渐近置信区间提供了理论基础。
模拟结果：
- 双变量比较：与2dGAM相比，2dFMM在非光滑系数函数（S1）下估计误差（ISE）更低，覆盖概率更接近95%，且计算时间快1-2个数量级。在光滑函数（S2）下，两者估计精度相当，但2dFMM的推断和计算优势依然明显。
- 单变量比较：与FUI和FILF相比，当真实模型包含二维效应时（Case i），2dFMM的估计精度显著优于两者。当真实模型退化为单变量时（Case ii），2dFMM的估计精度略逊于FILF（因为2dFMM将部分纵向相关信号误认为固定效应），但其覆盖概率仍接近名义水平，而FUI和FILF在纵向相关性被误设时覆盖概率会严重下降。
- 计算效率：2dFMM的计算时间对样本量 \( N \) 和功能网格数 \( L \) 不敏感，而FUI在 \( N=200, L=400 \) 时计算时间超过600分钟，FILF在 \( N=400 \) 时直接内存溢出。2dFMM的并行版本进一步将时间缩短约30%。

证明路线与技术技巧¶

整体路线：
1. 建立逐点OLS估计量的性质：证明 \( \tilde{\beta}_p(s,t) \) 是 \( \beta_p(s,t) \) 的无偏估计，其方差为 \( \sigma^2(s,t) \omega_p / N \)。
2. 建立sandwich smoother的渐近等价性：引用Xiao et al. (2013)的结论，证明 \( \hat{\beta}_p \) 等价于一个带乘积核的二维核回归估计量。
3. 计算条件期望和方差：利用全期望公式和全方差公式，将 \( \hat{\beta}_p \) 的偏差和方差分解为对 \( \tilde{\beta}_p \) 的条件期望/方差，然后代入步骤1和2的结果。
4. 合并项并简化：证明条件方差项和条件期望的方差项在渐近意义下相等，从而得到最终的方差公式（出现因子2）。
关键跳跃点：
- 从逐点估计到平滑估计的方差传递：如何将 \( \tilde{\beta}_p \) 的简单方差结构（对角矩阵）转化为 \( \hat{\beta}_p \) 的复杂方差结构（非对角矩阵）？本文的关键是利用sandwich smoother的线性形式 \( \hat{\beta}_p = (S_1 \otimes S_2) \tilde{\beta}_p \)，从而将方差估计转化为 \( (S_1 \otimes S_2) \text{Cov}(\tilde{\beta}_p) (S_1 \otimes S_2)^T \)。这使得计算变得可行。
- 四维协方差估计的计算可行性：直接估计 \( RL \times RL \) 的协方差矩阵是不可行的。本文的关键跳跃是利用弱可分离性假设，将问题分解为两个低维问题：①估计 \( R \times R \) 的边际协方差 \( C_W(s,u) \) 并做FPCA；②对每个主成分，估计 \( L \times L \) 的得分协方差 \( \Theta_j(t,v) \)。这使计算复杂度从 \( O((RL)^3) \) 降至 \( O(R^3 + J L^3) \)，其中 \( J \) 是保留的主成分数（通常很小）。
技术技巧点名：
- Sandwich Smoother (Xiao et al. 2013)：用于双变量平滑，其计算效率高（\( O(RL \min(R,L)) \)），且有良好的渐近性质（等价于核估计）。
- 边际协方差分解（Marginal Covariance Decomposition）：用于将四维协方差估计分解为两个低维问题，是本文计算效率的核心来源。
- B样条基展开（B-spline Basis Expansion）：用于近似随机得分函数 \( \xi_{i,j}(t) \)，其计算复杂度 \( O(NLK^2) \) 低于直接FPCA的 \( O(NL^2 + L^3) \)，当 \( K < \sqrt{L} \) 时优势明显。
- 非参数Bootstrap（Algorithm 1）：用于构建同时置信带（SCB），通过B样条基将高维函数模拟降维到低维系数空间，避免了直接模拟 \( RL \) 维高斯向量的计算负担。

真实例子与应用¶

例子一：上海青少年体力活动数据
- 数据/场景：2313名11-18岁学生，佩戴ActiGraph一周，记录每分钟体力活动计数（\( L=1440, R=7 \)）。协变量包括人口统计学（性别、年级）、社会经济地位（家庭收入、母亲教育）和心理健康评估（DASS, ACIPS, ERQ）。
- 方法应用：将每个学生的活动矩阵作为响应 \( Y_i(s,t) \)，分别将每个协变量加入基线模型（含人口学和社会经济变量）进行拟合。
- 结果：生成了每个协变量的二维效应显著性热图（\( \hat{I}_p(s,t) \)）。例如，发现女孩在周六晚上和周日比男孩更活跃；高年级学生大部分时间更久坐；母亲教育水平高的学生起床和睡觉时间更晚；DASS得分高的学生在周末午夜更活跃，但在放学后和周末更久坐。
- 说明的问题：验证了2dFMM能够揭示传统单变量分析无法发现的、复杂的日内和日间变化模式，为干预策略提供了更精细的靶点。
例子二：澳大利亚电力需求数据
- 数据/场景：1997-2007年阿德莱德夏季每半小时的电力需求数据。响应是电力需求（兆瓦），\( t \) 是一天中的半小时（\( L=48 \)），\( s \) 是一年中的周（\( R=52 \)）。协变量是温度和周末指示变量。
- 方法应用：拟合2dFMM，估计温度和周末对电力需求的二维效应。
- 结果：发现夏季（年初和年末几周）温度从上午10点到晚上8点对电力需求有强烈的正向效应；冬季温度升高反而降低需求（可能减少了取暖需求）；周末的电力需求全年都低于工作日，尤其在早上6点。
- 说明的问题：展示了2dFMM在环境科学领域的广泛适用性，并强调了二维分析相对于单变量分析的优势（例如，发现了仅在二维视角下才显现的、第10周和第40周下午3点的持续正向效应）。

🔎 结论是否比证明窄¶

是。论文的渐近理论（Proposition 1 & 2）是在密集、规则采样和协变量时不变等强假设下证明的。然而，作者在结论中声称“our method promotes the use of wearable devices in health research and has wider applications for longitudinal studies and spatial analysis”，并提及“real data is sometimes irregularly sampled”。对于不规则采样情况，作者仅给出了“taking the average inside equal-size rectangular bins”和“utilizing a local-linear smoothing approach”的粗略建议，并未提供任何理论保证或模拟验证。因此，关于不规则采样和空间分析的泛化性声明，其严格性远低于论文核心证明的结论。

四、开放问题¶

弱可分离性假设的检验：本文的协方差分解依赖于弱可分离性假设。当该假设不成立时，估计的偏差和方差会如何变化？是否存在一个正式的检验（如Lynch & Chen 2018, Liang et al. 2021）可以应用于2dFMM的模型诊断？扎根点：Remark 2中作者承认“The representation relaxes the restriction to the scope of strong separability”，但未讨论如何验证该假设是否合理。
不规则采样下的理论性质：作者在结论中提到了处理不规则采样的方法，但未给出任何理论结果。对于稀疏或不规则采样的重复测量功能数据，2dFMM的估计量是否仍然一致？其收敛速率如何？扎根点：Section 5中“While we focus on the situation where the longitudinal sampling design is dense and regular in this study, real data is sometimes irregularly sampled.”
高维协变量下的变量选择：本文的模型假设协变量是预先指定的。当协变量数量 \( P \) 很大时（例如，从高维问卷或基因组数据中提取），如何对二维系数曲面 \( \beta_p(s,t) \) 进行变量选择或正则化？扎根点：本文方法基于逐点OLS，当 \( P > N \) 时无法直接应用。虽然可以通过平滑步骤引入一些正则化，但缺乏系统的变量选择框架。
计算复杂性的理论分析：作者通过模拟展示了计算效率，但未给出算法复杂度的严格理论分析（如大O表示法）。对于极端大规模数据（如 \( N=10^5, L=10^4 \)），算法的瓶颈在哪里？扎根点：Table 1展示了计算时间，但未讨论其与 \( N, R, L \) 的标度关系。

Maintained by 陈星宇 · Homepage · Source on GitHub